美国顾客满意度指数模型(ASCI)

应用案例1

第一节 模型设定

结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个

研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。

一、模型构建的思路

本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。

二、潜变量和可测变量的设定

本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。

模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。

表7-1 设计的结构路径图和基本路径假设

设计的结构路径图 ? 超市形象对质量期望有路径影响 ? 质量期望对质量感知有路径影响 质量期望 顾客抱怨 基本路径假设 超市形象 ? 质量感知对感知价格有路径影响 ? 质量期望对感知价格有路径影响 ? 感知价格对顾客满意有路径影响 ? 顾客满意对顾客忠诚有路径影响 ? 超市形象对顾客满意有路径影响 ? 超市形象对顾客忠诚有路径影响 感知价值 质量感知 顾客满意 顾客忠诚

2.1、顾客满意模型中各因素的具体范畴

参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。

12

关于该案例的操作也可结合书上第七章的相关内容来看。 本案例是在Amos7中完成的。 3

见spss数据文件“处理后的数据.sav”。

表7-2 模型变量对应表 潜变量 内涵 根据MARTENSEN在固定电话、移动电话、超市等行业中的调查研究，(一) 超市形象 企业形象是影响总体满意水平的第一要素，这里将超市形象要素列为影响因素，可以从以下几个方面进行观测。 质量期望是指顾客在使用某超市产品前对其的期望水平。顾客的质量期望会影响顾客价值，而且质量期望还会顾客感知造成影响.还有学者指出，对于顾客期望要素，至少可以从整体感觉、个性化服务、可靠性三个方面来观测。结合上述因素，可以从几个方面衡量对某超市的质量期望。 ? 购物前，对某超市整体服务的期望(a4) ? 购物前，期望某超市商品的新鲜程度达到的水平(a5) ? 购物前，期望某超市营业时间安排合理程度(a6) ? 购物前，期望某超市员工服务态度达到的水平(a7) ? 购物前，期望某超市结账速度达到的水平(a8) ? 购物后，对某超市整体服务的满意程度(a9) ? 购物后，认为某超市商品的新鲜程度达到的水平质量感知和质量期望相对应，质量期(三) 质量感知 望考虑的是在购买商品前的期望，质量感知是在购买商品后的实际感受。可以从几个方面衡量。 (a10) ? 购物后，认为超市营业时间安排合理程度(a11) ? 购物后，认为某超市员工服务态度达到的水平(a12) ? 购物后，认为某超市结账速度达到的水平(a13) 根据ANDERSON和FOMELL(EUGENEW.ANDERSON&CLAESFOMELL，2000)对美国顾(四) 感知价值 客满意指数模型的进一步研究，认为对于顾客价值部分可以从性价比来衡量。 顾客满意一般可以从三个方面衡量，一是可以从整体上来感觉；二是可以与消费前的期望进行比较，寻找两者的差距；三是可以与理想状态下的感觉比较，寻找两者的差距。因此，可以通过以下几个指标衡量。 ? 对某超市的总体满意程度(a16) ? 和您消费前的期望比，您对某超市的满意程度(a17) ? 和您心目中的超市比，您对某超市的满意程度(a18) ? 您认为某超市商品的价格如何(a14) ? 与其他超市相比，您认为某超市商品的价格如何(a15) 可测变量 ? 某超市总体形象的评价(a1) ? 与其它超市相比的形象(a2) ? 与其它超市相比的品牌知名度(a3) (二) 质量期望 (五) 顾客满意 （包括给超市写投诉信和FORNE和 WERNERFELT（1988）? 您对某超市投诉的频率(六) 顾客抱怨 的研究成果，认为顾客满意的增加会减少顾客的抱怨，同时会增加顾客的忠诚，当顾客不满意时，他们往往会选择抱怨。对于抱怨的观测，一般有直接向超市人员反映）(a19) ? 您对某超市抱怨的频率（私下抱怨并未告知超市）(a20)

? 您认为某超市对顾客投诉的处理效率和效果4两种方式，一种是比较正式的形式，向超市提出正式抱怨，有换货，退货等行为；另一种是非正式的形式，顾客会宣传，形成群众对于该超市的口碑。 顾客忠诚主要可以从三个方面体现：顾客推荐意向、转换产品的意向、重(七) 顾客忠诚 复购买的意向。同时还有学者指出顾客忠诚可以从顾客对涨价的容忍性、重复购买性两方面衡量。综合上述因素，拟从以下几个方面衡量顾客忠诚。 (a21) ? 我会经常去某超市(a22) ? 我会推荐同学和朋友去某超市(a23) ? 如果发现某超市的产品或服务有问题后，能以谅解的心态主动向超市反馈，求得解决，并且以后还会来超市购物(a24) 三、关于顾客满意调查数据的收集

本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对超市形象的测量： 一、 1 2 3 超市形象 您对某超市总体形象的评价 您认为与其它校内超市相比，某超市的形象如何 您认为与其它校内超市相比，某超市品牌知名度如何 本次调查共发放问卷500份，收回有效样本436份。

1代表“非常差劲”，10代表“非常好” 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 四、缺失值的处理

采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。

五、数据的的信度和效度检验

1．数据的信度检验

信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。

折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部

4

正向的，采用Likert10级量度从“非常低”到“非常高”

一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击

，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha

模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。

图7-1 信度分析的选择

图7-2 信度分析变量及方法的选择 表7-3 信度分析结果

Reliability Statistics Cronbach's Alpha N of Items .892 24 另外，对问卷中每个潜变量的信度分别检验结果如表7-4所示5。从表7-4可以看到，除顾客抱怨量表

5

操作过程同前，不同的是在图7-14中选入右边方框items中是相应潜变量对应的题目。如对超市形象潜变量，只需要把a1、a2和a3题目选入到右边方框items中即可。

Cronbaca’s Alpha系数为0.255，比较低以外，其它分量表的Alpha系数均在0.7以上，且总量表的Cronbach’s Alpha系数达到了0.891，表明此量表的可靠性较高。由信度检验的结果可知顾客抱怨的测量指标的信度远低于0.7，因此在路径图中去掉顾客抱怨因子，即初始模型中包括6个潜变量、21个可测变量。 表7-4 潜变量的信度检验

潜变量 超市形象 质量期望 质量感知 感知价格 顾客满意 顾客抱怨 顾客忠诚

可测变量个数

3 5 5 2 3 3 3

Cronbach’s Alpha

0.858 0.889 0.862 0.929 0.948 0.255 0.738

2．数据的效度检验

效度（validity）指测量工具能够正确测量出所要测量的特质的程度，分为内容效度（content validity）、效标效度（criterion validity）和结构效度（construct validity）三个主要类型。

内容效度也称表面效度或逻辑效度，是指测量目标与测量内容之间的适合性与相符性。对内容效度常采用逻辑分析与统计分析相结合的方法进行评价。逻辑分析一般由研究者或专家评判所选题项是否“看上去”符合测量的目的和要求。

准则效度又称效标效度、实证效度、统计效度、预测效度或标准关联效度，是指用不同的几种测量方式或不同的指标对同一变量进行测量，并将其中的一种方式作为准则（效标），用其他的方式或指标与这个准则作比较，如果其他方式或指标也有效，那么这个测量即具备效标效度。例如，X是一个变量，我们使用X1、X2两种工具进行测量。如果使用X1作为准则，并且X1和X2高度相关，我们就说X2也是具有很高的效度。当然，使用这种方法的关键在于作为准则的测量方式或指标一定要是有效的，否则越比越差。现实中，我们评价效标效度的方法是相关分析或差异显著性检验，但是在调查问卷的效度分析中，选择一个合适的准则往往十分困难，也使这种方法的应用受到一定限制。

结构效度也称构想效度、建构效度或理论效度，是指测量工具反映概念和命题的内部结构的程度，也就是说如果问卷调查结果能够测量其理论特征，使调查结果与理论预期一致，就认为数据是具有结构效度的。它一般是通过测量结果与理论假设相比较来检验的。确定结构效度的基本步骤是，首先从某一理论出发，提出关于特质的假设，然后设计和编制测量并进行施测，最后对测量的结果采用相关分析或因子分析等方法进行分析，验证其与理论假设的相符程度。

在实际操作的过程中，前面两种效度（内容效度和准则效度）往往要求专家定性研究或具有公认的效标测量，因而难以实现的，而结构效度便于可以采用多种方法来实现：

第一种方法是通过模型系数评价结构效度。如果模型假设的潜变量之间的关系以及潜变量与可测变量之间的关系合理，非标准化系数应当具有显著的统计意义。特别地，通过标准化系数6可以比较不同指标间的效度。从表7-17可以看出在99%的置信度下所有非标准化系数具有统计显著性，这说明修正模型的整体结构效度较好。

第二种方法是通过相关系数评价结构效度。如果在理论模型中潜变量之间存在相关关系，可以通过潜变量的相关系数来评价结构效度：显著的相关系数说明理论模型假设成立，具有较好的结构效度。

第三种方法是先构建理论模型，通过验证性因子分析的模型拟合情况来对量表的结构效度进行考评。因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。对于本案例，从表7-16可知理论模型与数据拟合较好，结构效度较好。

6

关于标准化系数的解释见本章第五节。

六、结构方程模型建模

构建如图7.3的初始模型。

e101a10e91a91e111a11质量感知e121a12e131a13e51a5e41a41e61a6质量期望e71a7e81a8e11a11e21e31a3a2超市形象1z1111z2e14e15a14a151感知价格1z3e17e16e18111a17a161顾客满意1z4a18e23e22e24111a23a221a24顾客忠诚1z5

图7-3 初始模型结构

图7-4 Amos Graphics初始界面图

第二节 Amos实现7

一、Amos基本界面与工具

打开Amos Graphics，初始界面如图7-4。其中第一部分是建模区域，默认是竖版格式。如果要建立的模型在横向上占用较大空间，只需选择View菜单中的Interface Properties选项下的Landscape（如图7.5），即可将建模区域调整为横板格式。

图7-2中的第二部分是工具栏，用于模型的设定、运算与修正。相关工具的具体功能参见书后附录二。

图7-5 建模区域的版式调整

图7-6 建立潜变量

二、Amos模型设定操作 7

这部分的操作说明也可参看书上第七章第二节:Amos实现。

1．模型的绘制

在使用Amos进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。相关软件操作如下：

第一步，使用

建模区域绘制模型中的七个潜变量（如图7-6）。为了保持图形的美观，可以使用先绘

绘制其他潜变量，以保证潜变量大小一致。在潜变量上点击右键选择

制一个潜变量，再使用复制工具

Object Properties，为潜变量命名（如图7-7）。绘制好的潜变量图形如图7-8。

第二步设置潜变量之间的关系。使用关系。绘制好的潜变量关系图如图7-9。

来设置变量间的因果关系，使用

来设置变量间的相关

图7-7 潜变量命名

图7-8 命名后的潜变量

图7-9 设定潜变量关系

第三步为潜变量设置可测变量及相应的残差变量，可以使用

绘制，也可以使用

和

自行

绘制（绘制结果如图7-10）。在可测变量上点击右键选择Object Properties，为可测变量命名。其中Variable Name一项对应的是数据中的变量名（如图7-11），在残差变量上右键选择Object Properties为残差变量命名。最终绘制完成模型结果如图7-12。

图7-10 设定可测变量及残差变量

图7-11 可测变量指定与命名

图7-12 初始模型设置完成

2．数据文件的配置

Amos可以处理多种数据格式，如文本文档（*.txt），表格文档（*.xls、*.wk1），数据库文档（*.dbf、*.mdb），SPSS文档（*.sav）等。

为了配置数据文件，选择File菜单中的Data Files（如图7-13），出现如图7-14左边的对话框，然后点击File name按钮，出现如图7-14右边的对话框，找到需要读入的数据文件“处理后的数据.sav”,双击文件名或点击下面的“打开”按钮，最后点击图7-14左边的对话框中“ok”按钮，这样就读入数据了。

图7-13 数据配置

7-7）供使用者选择14。如果模型拟合不好，需要根据相关领域知识和模型修正指标进行模型修正。

需要注意的是，拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。即便拟合指数没有达到最优，但一个能够使用相关理论解释的模型更具有研究意义。

第四节 模型修正15

一、模型修正的思路

模型拟合指数和系数显著性检验固然重要，但对于数据分析更重要的是模型结论一定要具有理论依据，换言之，模型结果要可以被相关领域知识所解释。因此，在进行模型修正时主要考虑修正后的模型结果是否具有现实意义或理论价值，当模型效果很差时可以参考模型修正指标对模型进行调整。

当模型效果很差时，研究者可以根据初始模型的参数显著性结果和Amos提供的模型修正指标进行模型扩展（Model Building）或模型限制（Model Trimming）。模型扩展是指通过释放部分限制路径或添加新路径，使模型结构更加合理，通常在提高模型拟合程度时使用（减小卡方值）；模型限制是指通过删除17或限制部分路径，使模型结构更加简洁，通常在提高模型可识别性时使用。

Amos提供了两种模型修正指标，其中修正指数（Modification Index）用于模型扩展，临界比率（Critical Ratio）18用于模型限制。

16

二、模型修正指标19

1. 修正指数（Modification Index）

图7-19 修正指数计算

修正指数用于模型扩展，是指对于模型中某个受限制的参数，若容许自由估计（譬如在模型中添加某

1415

详细请参考Amos 6.0 User’s Guide 489项。

关于案例中模型的拟合方法和模型修正指数详情也可参看书上第七章第三节和第四节。 16

如模型不可识别，或拟合指数结果很差。 17

譬如可以删除初始模型中不存在显著意义的路径。 18

这个CR不同于参数显著性检验中的CR，使用方法将在下文中阐明。 19

无论是根据修正指数还是临界比率进行模型修正，都要以模型的实际意义与理论依据为基础。

条路径），整个模型改良时将会减少的最小卡方值20。

使用修正指数修改模型时，原则上每次只修改一个参数，从最大值开始估算。但在实际中，也要考虑让该参数自由估计是否有理论根据。

若要使用修正指数，需要在Analysis Properties中的Output项选择Modification Indices项（如图7-19）。其后面的Threshold for Modification Indices指的是输出的开始值21。

图7-20 临界比率计算

2. 临界比率（Critical Ratio）

临界比率用于模型限制，是计算模型中的每一对待估参数（路径系数或载荷系数）之差，并除以相应

参数之差的标准差所构造出的统计量。在模型假设下，CR统计量服从正态分布，所以可以根据CR值判断两个待估参数间是否存在显著性差异。若两个待估参数间不存在显著性差异，则可以限定模型在估计时对这两个参数赋以相同的值。

若要使用临界比率，需要在Analysis Properties中的Output项选择Critical Ratio for Difference项（如图7-20）。

三、案例修正

对本章所研究案例，初始模型运算结果如表7-8，各项拟合指数尚可。但从模型参数的显著性检验（如 表7-5）中可发现可以看出，无论是关于感知价格的测量方程部分还是关于结构方程部分（除与质量期望的路径外），系数都是不显著的。关于感知价格的结构方程部分的平方复相关系数为0.048，非常小。另外，从实际的角度考虑，通过自身的感受，某超市商品价格同校内外其它主要超市的商品价格的差别不明显，因此，首先考虑将该因子在本文的结构方程模型中去除，并且增加质量期望和质量感知到顾客满意的路径。超市形象对顾客忠诚的路径先保留。修改的模型如图7-21。 表7-8 常用拟合指数计算结果 拟合指数 结果 卡方值(自由度) 1031.4 (180)

CFI 0.866

NFI 0.842

IFI 0.866

RMSEA 0.109

AIC

BCC

EVCI 2.834

1133.441 1139.378

2021

即当模型释放某个模型参数时，卡方统计量的减少量将大于等于相应的修正指数值。 只有修正指数值大于开始值的路径才会被输出，一般默认开始值为4。

图7-21 修正的模型二

根据上面提出的图7-21提出的所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-9。 表7-9 常用拟合指数计算结果 拟合指数 结果 卡方值(自由度) 819.5 (145)

CFI 0.883

NFI 0.862

IFI 0.884

RMSEA 0.108

AIC 909.541

BCC 914.278

EVCI 2.274

从表7-8和表7-9可以看出，卡方值减小了很多，并且各拟合指数也都得到了改善，但与理想的拟合指数值仍有差距。该模型的各个参数在0.05的水平下都是显著的，并且从实际考虑，各因子的各个路径也是合理存在的。

下面考虑通过修正指数对模型修正，通过点击工具栏中的

来查看模型输出详细结果中的

Modification Indices项可以查看模型的修正指数（Modification Index）结果，双箭头（“<-->”）部分是残差变量间的协方差修正指数，表示如果在两个可测变量的残差变量间增加一条相关路径至少会减少的模型的卡方值；单箭头（“<---”）部分是变量间的回归权重修正指数，表示如果在两个变量间增加一条因果路径至少会减少的模型的卡方值。比如，超市形象到质量感知的MI值为179.649，表明如果增加超市形象到质量感知的路径，则模型的卡方值会大大减小。从实际考虑，超市形象的确会影响到质量感知，设想，一个具有良好品牌形象的超市，人们难免会对感到它的商品质量较好；反之，则相反。因此考虑增加从超市形象到质量感知的路径的模型如图7-22。

根据上面提出的图7-22所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-10、表7-11。 表7-10 常用拟合指数计算结果 拟合指数 结果 卡方值(自由度) 510.1(144)

CFI 0.936

NFI 0.914

IFI 0.937

RMSEA 0.080

AIC 602.100

BCC 606.942

EVCI 1.505

从表7-9和表7-10可以看出，卡方值减小了很多，并且各拟合指数也都得到了改善，但与理想的拟合指数值仍有差距。

表7-11 5%水平下不显著的估计参数

顾客满意 顾客忠诚

<--- <---

质量期望 超市形象

Estimate -.054 .164

S.E. .035 .100

C.R. -1.540 1.632

P .124 .103

Label par_22 par_21

图7-22 修正的模型三

除上面表7-11中的两个路径系数在0.05的水平下不显著外，该模型其它各个参数在0.01水平下都是显著的，首先考虑去除p值较大的路径，即质量期望到顾客满意的路径。重新估计模型，结果如表7-12。 表7-12 5%水平下不显著的估计参数

顾客忠诚

<---

超市形象

Estimate .166

S.E. .101

C.R. 1.652

P .099

Label par_21

从表7-12可以看出，超市形象对顾客忠诚路径系数估计的p值为0.099，仍大于0.05。并且从实际考虑，在学校内部，学生一般不会根据超市之间在形象上的差别而选择坚持去同一个品牌的超市，更多的可能是通过超市形象影响超市满意等因素进而影响到顾客忠诚因素。考虑删除这两个路径的模型如图7-23。

根据上面提出的如图7-23所示的模型，在AMOS中运用极大似然估计运行的部分结果如表7-13。 表7-13 常用拟合指数计算结果 拟合指数 结果 卡方值(自由度) 515.1 (146)

CFI 0.936

NFI 0.913

IFI 0.936

RMSEA 0.080

AIC 603.117

BCC 607.749

EVCI 1.508

从表7-10和表7-13可以看出，卡方值几乎没变，并且各拟合指数几乎没有改变，但模型便简单了，做此改变是值得的。该模型的各个参数在0.01的水平下都是显著的，另外质量感知对应的测量指标a11（关于营业时间安排合理程度的打分）对应方程的测定系数为0.278，比较小，从实际考虑，由于人大校内东区物美超市的营业时间从很长，几乎是全天候营业在顾客心中，可能该指标能用质量感知解释的可能性不大，考虑删除该测量指标。修改后的模型如图7-24。

根据上面提出的如图7-24所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-14。 表7-14 常用拟合指数计算结果 拟合指数 结果 卡方值(自由度) 401.3 (129)

CFI 0.951

NFI 0.930

IFI 0.951

RMSEA 0.073

AIC 485.291

BCC 489.480

EVCI 1.213

从表7-13和表7-14可以看出，卡方值减小了很多，并且各拟合指数都得到了较大的改善。该模型的各个参数在0.01的水平下都仍然是显著的，各方程的对应的测定系数增大了。

图7-23 修正的模型四

图7-24 修正的模型五

下面考虑通过修正指数对模型修正，e12与e13的MI值最大，为26.932，表明如果增加a12与a13之间的残差相关的路径，则模型的卡方值会减小较多。从实际考虑，员工对顾客的态度与员工给顾客结帐的速度，实际上也确实存在相关，设想，对顾客而言，超市员工结帐速度很慢本来就是一种对顾客态度不好的方面；反之，则相反。因此考虑增加e12与e13的相关性路径。（这里的分析不考虑潜变量因子可测指标的更改，理由是我们在设计问卷的题目的信度很好，而且题目本身的设计也不允许这样做，以下同。）

重新估计模型，重新寻找MI值较大的，e7与e8的MI值较大，为26.230，（虽然e3与e6的MI值等

本文来源：https://www.bwwdw.com/article/f4cg.html